Análisis predictivo

Utiliza análisis predictivo para evitar el abandono de clientes

#SICROMTeam Análisis Predictivo, Big Data, Innovación Útil, Transformación Digital

Anticípate a la fuga de clientes mediante análisis predictivo – Sicrom

La importancia de predecir el abandono de clientes

Aún sabiendo que resulta mucho más caro y difícil captar nuevos clientes, son muchas las empresas que aún no cuentan con las estrategias y herramientas necesarias para prevenir el abandono de los clientes de la compañía.

Si a esto le sumamos que el cliente es más infiel a medida que pasan los años y que cada vez existe una mayor competencia, resulta crucial para una compañía anticiparse al abandono de sus clientes y poner solución al problema.

Dicho de otro modo, si conocemos de antemano qué clientes van a abandonar nuestros servicios, podemos ahorrar costes de prospección y adquisición, rentabilizar nuestra cartera de clientes y evitar las temidas fugas de clientes no previstas.

Solución de análisis predictivo IBM SPSS Modeler para prever el abandono de clientes

Con las nuevas técnicas de análisis predictivo, es posible anticiparse a la fuga de clientes mediante uso de técnicas estadísticas y de analítica avanzada conociendo qué cliente va a abandonar los servicios o productos contratados.

Además, mediante el desarrollo de modelos predictivos se pueden conocer los patrones o causas que implican que un cliente abandone la compañía. Por ello es tan importante contar con herramientas de análisis predictivo, como IBM SPSS Modeler.

En este caso, vamos a describir el proceso para predecir qué cliente dejará la compañía y las causas del abandono mediante el uso de árboles de decisión, una forma de mejorar la toma de decisiones y decidir correctamente.

Árboles de decisión con SPSS Modeler

A continuación se muestra un caso de uso en el que, con la herramienta de análisis predictivo SPSS Modeler y a partir de árboles de decisión, se es capaz de predecir qué clientes abandonarán la compañía y el por qué.

Este caso de uso hace referencia a una empresa de telecomunicaciones, la cual quiere conocer qué clientes abandonarán sus servicios o se pasarán a la competencia y cuáles no, ya que si pudieran utilizar los datos para predecir qué clientes es más probable que se pasen a otra compañía, podrían personalizar las ofertas para retener a tantos clientes como fuese posible.

Análisis Predictivo Sicrom

Modelado para abandono de clientes con SPSS Modeler paso a paso

análisis predictivo

Paso 1: Acceso a los datos

Mediante el nodo Origen podemos acceder y leer cualquier conjunto de datos en cualquier formato, como csv, txt o xlsx, entre otros. En este caso, hemos empleado un archivo .sav.

Paso 2: Lectura de datos

Una vez que hemos obtenido el conjunto de datos, pasamos a su lectura mediante el nodo Resultado.

análisis predictivo

Las variables incluidas en nuestro conjunto de datos son las siguientes:

Región, Meses con el servicio, Edad, Estado Civil, Años con la dirección actual, Ingresos, Educación, Meses con el empleo actual, Jubilado, Sexo, Nº personas en el hogar y distintas variables sobre los servicios contratados, como por ejemplo costes en servicio de larga distancia, pagos en llamadas del último mes, coste del equipamiento de los últimos meses, y otras variables como el tipo de cliente clasificado según los servicios que tenga contratado.

Paso 3: Definición de los datos para el posterior modelado

Una vez leídos los datos, hay que definir el tipo de dato mediante el nodo Tipo estableciendo su medida correspondiente.

análisis predictivo

Paso 4: Partición de los datos en subconjunto de entrenamiento y subconjunto test

Cuando construimos un modelo predictivo, es necesario dividir el conjunto de datos en dos subconjuntos, un subconjunto de entrenamiento y un subconjunto test.

El subconjunto de entrenamiento se utiliza para entrenar el modelo y ver cómo se comportan las variables, y el subconjunto prueba o test tiene como función validar el modelo.

Es el subconjunto test el que finalmente determina si el modelo funciona correctamente y es válido para predecir el comportamiento de las variables.

análisis predictivo

Paso 5: Modelado con árbol de decisión para abandono de clientes

El modelo de árbol de decisión tipo CHAID es un método exploratorio del análisis de datos usado para estudiar las relaciones entre una variable dependiente y una serie considerable de variables predictoras.

Con el nodo Modelado y el algoritmo de árbol CHAID, podemos conocer qué clientes abandonarán la compañía y los motivos de su abandono.

análisis predictivo

Como se muestra en la imagen, definimos como variable destino la variable Abandono, y como variables predictoras las variables que consideremos oportunas para predecir la variable abandono, siempre que se haya realizado un estudio previo de estas variables (algo muy rápido y sencillo con SPSS Modeler) y conocer cuáles son significativas y cuáles no. Tras establecer la configuración del modelo lo ejecutamos para ver los resultados.

Paso 6: Visualización de resultados a través de árbol CHAID

análisis predictivo

Tras analizar el árbol de decisión, se puede extraer el siguiente diagrama para conocer por qué un cliente dejará la compañía.

análisis predictivo

Como se puede observar en el diagrama, el 27% de los clientes abandona la compañía. El principal motivo del abandono es que estos clientes tienen contratado un equipamiento bajo (como se ve en el diagrama, el 75% de los clientes que dejan la compañía es porque tienen como servicio un equipamiento bajo).

En segundo lugar, hay que prestar principal atención a aquellos clientes que poseen tarjeta prepago en llamadas, tienen contratado internet y tienen como servicio un equipamiento medio.

Otro hecho que llama la atención a la hora de predecir el abandono de clientes, es el hecho de utilizar o no factura electrónica. Cómo se puede observar, es muy probable que un cliente abandone la compañía si no tiene equipamiento, lleve menos de 19 meses con el servicio, tengan contratado internet y no usen factura electrónica.

Paso 7: Comprobar calidad del modelo

Tras describir el árbol de decisión, nos podemos preguntar si los resultados del modelo son aceptables o no, es decir, si la calidad del modelo es alta. Esto lo comprobamos a partir del nodo Análisis de la paleta Resultado.

análisis predictivo

Como vemos, el modelo acierta en el 81.22% de los casos de entrenamiento y en el 77.26% de los casos de comprobación, por lo que podemos deducir que el modelo tiene una calidad alta y es bastante aceptable.

Paso 8: Comprobar si un cliente abandonará o no la compañía

Por último, es interesante conocer qué clientes abandonarán o no la compañía junto a su probabilidad de abandono o permanencia. Esto lo vemos con el nodo Resultado conectado al diamante generado en la ruta del modelo.

Los resultados tendrían un aspecto similar a lo que se muestra en la siguiente tabla:

análisis predictivo

Tras realizar todo este proceso, gracias a los datos obtenidos, podemos hacer análisis del dato para mejorar la toma de decisiones optimizando los recursos, todo respondiendo a las siguientes cuestiones:

– ¿Por qué mis clientes abandonan mis servicios?

– ¿Qué clientes presentan una alta probabilidad de abandono?

De esta manera, la toma de decisiones futuras será bajo datos cualificados que nos ayudarán a predecir posibles pérdidas de clientes.

Análisis Predictivo Sicrom

¿Quieres recibir más información?

Si desea recibir más información sobre análisis predictivo le invitamos a descargarse nuestro E-Book “Introducción al análisis predictivo” visitando el siguiente enlace.

Si deseas ponerte en contacto con nosotros, visita por favor, el siguiente enlace.

Sicrom